Predictive Emission Monitoring Model for LM1600 Gas Turbines Based on Neural Network Architecture Trained on Field Measurements and CFD Data
Notice bibliographique
Résumé
A Predictive Emission Monitoring (PEM) model has been developed based on an optimized Neural Network (NN) architecture which takes 8 fundamental parameters as input variables. The model predicts both NO and NOx as output variables. The NN is initially trained using a combination of two sets of data: a) measured data at various loads from an LM1600 gas turbine installed at one of the compressor stations on TransCanada Transmission system in Alberta, Canada, b) data generated by a Computational Fluid Dynamics (CFD) at different operating conditions covering the range of the engine operating parameters spanned over one year. The predictions of NOx by CFD employed the ‘flamelet’ model and a set of 8 reactions including the Zeldovich mechanism for thermal NOx along with an empirical correlation for prompt NOx formation. It was found that a Multi Layer Perceptron type Neural Network with two hidden layers was the optimum architecture for predicting NO levels with a maximum absolute error of around 7%, mean absolute error of 2.3% and standard deviation of 1.97%. The model is easy to implement on the station PLC. A set of one year data consisting of 2804 cases was submitted to the above optimized NN architecture with varying ambient temperature from –29.9 °C to 35.7 °C and output power from 570 kW to 16.955 MW. This gave consistent contours of NO levels. As expected, NN architecture shows that NO increases with increasing power or ambient temperature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».